AI免费公开课一网打尽！14个类别、230门课程，GitHub标星6k+

Read enough so you start developing intuitions and trust intuitions and go for it!

通过大量阅读来培养直觉，相信自己的直觉并大胆实践！

—— Geoffrey Hinton

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

要说这两年最火的机器学习课程，当属吴恩达的Machine Learning。

这原本是吴恩达在斯坦福大学开授的课程，课程视频在网络上受到了学习者的广泛好评，后来还推出了专门的网课。

△Coursera平台上的Machine Learning课程

现在越来越多的人选择通过观看视频课程的方式来学习知识，一方面有了教师的引导会让艰涩的内容更容易理解，另一方面平时通勤、等待时的细碎时间也可以得到充分利用。

深度学习如此火热的今天，也有不少人通过课程视频来学习各个领域的知识。

虽然已经有不少世界知名大学放出了学校授课的录像或讲座的视频，来造福全球对深度学习感兴趣的学习者们。

但去哪学，也成了摆在大家面前的难题。

今天要介绍的这个Github仓库 Deep Learning Drizzle就是一个深度学习相关课程/讲座视频的大合集，其中不乏学界知名大牛的亲授课程。

目前该项目已经在Github收获了6000+星，Fork数也超过1.4K。

仓库维护者整理了14个类目共计232门视频课程，并且这个数字还在不断增加。其中包括：

• Deep Neural Networks（深度神经网络），43门
• Machine Learning Fundamentals（机器学习基础），12门
• Optimization for Machine Learning（机器学习优化方法），12门
• General Machine Learning（通用机器学习），39门
• Reinforcement Learning（强化学习），14门
• Bayesian Deep Learning（贝叶斯深度学习），5门
• Graph Neural Networks（图神经网络），9门
• Probabilistic Graphical Models（概率图模型），5门
• Natural Language Processing（自然语言处理），10门
• Automatic Speech Recognition（语音识别），5门
• Modern Computer Vision（现代计算机视觉），25门
• Boot Camps or Summer Schools（夏令营与暑期学校讲座），44门
• Medical Imaging（医学影像），5门
• Bird’s-eye view of Artificial Intelligence（人工智能概览），4门

△目前仓库中所有课程列表

下面我们简单介绍一下每类课程覆盖的内容，并推荐其中颇负盛名的好课。

Deep Neural Networks 深度神经网络

主要涉及神经网络的工作原理及基本的应用。

课程推荐

1、Neural Networks for Machine Learning

Geoffrey Hinton，University of Toronto，2012/2014

△多伦多大学教授Geoffrey Hinton

看到Hinton这个名字任何人都难免会虎躯一颤——深度学习奠基人之一，2019年图灵奖获得者。

2、CS231n: CNNs for Visual Recognition

Justin Johnson，Stanford University，2015-2017

△斯坦福大学教授，华人学者李飞飞

同样是这两年网络上的爆款课程，华人学者李飞飞的团队出品。每年的课程内容都会根据最新的研究成果更新，是计算机视觉很好的入门课程。

3.CS320: Deep Learning

Andrew Ng，Stanford University，2018

△前斯坦福大学教授，华人学者吴恩达

华人学者吴恩达亲自讲授的深度学习课程，内容全面的深度学习宝典，现在已经有了专门的在线课。

Machine Learning Fundamentals 机器学习基础

要想深入理解机器学习原理，数学知识必不可少。本类目包括了线性代数、概率与统计、微积分、信息论等基础数学课程。

课程推荐：

Linear Algebra

Gilbert Strang，MIT

Optimization for Machine Learning 机器学习优化方法

优化方法是机器学习算法的灵魂，本类目以优化为主题，包含了凸优化课程和针对机器学习的优化理论课程。

课程推荐

1、Convex Optimization

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!